Havedev
Zest dan Pelajaran Penting Tentang Rekomendasi yang Berangkat dari Perilaku Nyata
The Core Update
Zest, startup baru yang membangun aplikasi discovery restoran, resmi diluncurkan ke publik dengan pendekatan yang cukup berbeda dari aplikasi rekomendasi tempat makan pada umumnya.
Alih-alih hanya mengandalkan wishlist, rating, posting sosial, atau daftar kurasi manual, Zest menggunakan data transaksi kartu kredit untuk memahami tempat makan yang benar-benar dikunjungi pengguna. Pengguna dapat menghubungkan kartu kredit melalui Plaid, lalu Zest akan mengimpor transaksi yang relevan dengan kategori makanan dan minuman untuk membangun peta makan personal.
Dari sana, aplikasi ini membuat rekomendasi berdasarkan pola nyata: restoran mana yang sering dikunjungi, jenis makanan apa yang disukai, tempat seperti apa yang cocok dengan kebiasaan pengguna, dan spot mana yang mungkin relevan untuk dicoba berikutnya.
Zest juga menambahkan lapisan sosial. Pengguna bisa mengikuti teman atau profil kreator untuk melihat rekomendasi tempat makan, baik di kota sendiri maupun saat bepergian. Di sisi lain, Zest memanfaatkan puluhan juta review dari berbagai sumber untuk memperkaya pemahaman sistem terhadap restoran-restoran yang ada.
Startup ini didirikan pada November 2024 dan telah mendapatkan pendanaan pre-seed sebesar 1,8 juta dolar AS dari investor seperti Alexis Ohanian melalui 776 dan Steve Jang dari Kindred Ventures. Setelah fase beta, Zest mulai dibuka untuk publik dan disebut telah menarik lebih dari 100.000 kunjungan dalam beberapa minggu setelah peluncuran.
Fitur berikutnya juga sudah disiapkan, termasuk catatan bebas tentang tempat makan dan fitur Fresh Picks yang mirip konsep Discovery Weekly di Spotify, tetapi untuk restoran baru yang bisa dicoba di kota pengguna.
Di permukaan, ini terlihat seperti aplikasi rekomendasi restoran baru.
Tetapi sebenarnya, Zest membawa pesan yang lebih besar: rekomendasi digital mulai bergeser dari apa yang orang tampilkan, menuju apa yang orang lakukan.
The Reality Check
Banyak platform discovery selama ini dibangun di atas sinyal yang tidak selalu jujur.
Orang menyimpan restoran karena terlihat menarik. Orang memberi rating karena pengalaman ekstrem, sangat puas atau sangat kecewa. Orang membagikan tempat makan karena ingin terlihat punya selera tertentu. Orang mengikuti daftar rekomendasi kreator karena estetikanya cocok, bukan selalu karena tempatnya benar-benar relevan dengan kebiasaan mereka.
Semua sinyal itu tetap berguna.
Tetapi sinyal tersebut punya kelemahan: ia sering membaca aspirasi, bukan perilaku.
Seseorang bisa menyimpan 30 restoran fine dining, tetapi pada kenyataannya paling sering makan di tempat ramen dekat kantor, coffee shop kecil di lingkungan rumah, dan burrito spot yang tidak terlalu terkenal tetapi selalu bisa diandalkan. Kalau sistem hanya membaca wishlist atau posting sosial, rekomendasinya bisa terasa keren tetapi tidak selalu berguna.
Di sinilah pendekatan Zest menjadi menarik. Data transaksi memberi sinyal yang lebih dekat dengan kenyataan. Bukan sekadar tempat yang ingin dikunjungi, tetapi tempat yang benar-benar dikunjungi. Bukan sekadar restoran yang terlihat bagus di feed, tetapi restoran yang membuat seseorang kembali lagi.
Namun pendekatan seperti ini juga membawa pertanyaan penting.
Pertama, apakah pengguna cukup percaya untuk menghubungkan data kartu kredit ke aplikasi discovery restoran?
Zest menggunakan Plaid, infrastruktur yang sudah umum dipakai di aplikasi fintech dan budgeting. Secara teknis, ini membantu membangun kepercayaan. Tetapi dari sisi psikologis, tetap ada jarak antara ingin rekomendasi makan yang lebih baik dan bersedia memberi akses ke data transaksi.
Kedua, apakah data transaksi selalu cukup untuk memahami selera?
Frekuensi kunjungan bisa berarti suka. Tetapi bisa juga berarti dekat rumah, murah, praktis, atau satu-satunya pilihan saat jam makan siang. Spend bisa menunjukkan restoran premium. Tetapi bisa juga menunjukkan makan bersama tim, traktiran, atau acara khusus.
Data nyata lebih kuat daripada klaim, tetapi tetap perlu konteks.
Ketiga, apakah personalisasi akan membuat discovery menjadi terlalu sempit?
Kalau sistem terlalu banyak belajar dari kebiasaan lama, pengguna bisa terus direkomendasikan hal yang mirip. Padahal discovery yang baik tidak hanya mengonfirmasi selera, tetapi juga membuka kemungkinan baru yang masih masuk akal.
Inilah tantangan banyak produk AI dan rekomendasi hari ini. Bukan sekadar mengumpulkan data, tetapi menerjemahkan data menjadi keputusan yang terasa membantu.
Zest menarik karena mencoba menggabungkan beberapa lapisan sekaligus:
- data transaksi sebagai sinyal perilaku nyata
- AI untuk membaca pola dan membuat rekomendasi
- review publik untuk menambah konteks tempat
- kurasi sosial dari teman dan kreator
- catatan personal untuk menambah detail yang tidak terbaca dari angka
Jika berhasil, Zest tidak hanya menjadi aplikasi daftar restoran. Ia bisa menjadi lapisan personal untuk memahami kota berdasarkan kebiasaan nyata orang-orang di dalamnya.
Tetapi pelajaran paling penting bukan hanya untuk industri restoran.
Banyak bisnis digital masih mengandalkan data yang mudah dikumpulkan, bukan data yang paling dekat dengan niat dan perilaku pelanggan. Click, like, save, open rate, dan view sering dianggap cukup untuk membaca minat. Padahal, dalam banyak kasus, sinyal yang lebih berharga justru ada di tindakan yang lebih nyata: membeli, kembali, bertanya ulang, membatalkan, merekomendasikan, atau menggunakan produk secara berulang.
Masalahnya, data tindakan nyata sering lebih sulit diakses, lebih sensitif, dan perlu desain kepercayaan yang lebih matang.
Itulah sebabnya produk seperti Zest tidak bisa hanya menang karena teknologinya pintar. Ia harus menang karena pengguna merasa pertukaran datanya masuk akal.
Pengguna memberi data yang sensitif. Sebagai gantinya, aplikasi harus memberi manfaat yang jelas, cepat terasa, dan sulit didapat dari cara lama.
Kalau rekomendasinya biasa saja, akses data terasa berlebihan.
Kalau rekomendasinya benar-benar membantu, pengguna mulai melihat data sharing sebagai nilai, bukan beban.
The Havedev Way
Dari sudut pandang Havedev, Zest adalah contoh bagus bahwa AI yang berguna biasanya tidak dimulai dari model yang paling canggih, tetapi dari sinyal yang paling relevan.
Banyak bisnis ingin memakai AI untuk rekomendasi, scoring, dashboard, chatbot, atau automation. Itu wajar. Tetapi pertanyaan awalnya sering keliru.
Bukan langsung: AI apa yang bisa dipakai?
Pertanyaan yang lebih sehat adalah: perilaku nyata apa yang bisa dibaca dengan aman, rapi, dan berguna?
Untuk restoran, Zest memilih transaksi makan sebagai sinyal. Untuk bisnis lain, sinyalnya bisa berbeda.
Untuk bisnis jasa, sinyal penting mungkin berasal dari formulir inquiry, histori follow-up, jenis kebutuhan client, durasi sebelum deal, dan alasan lost lead.
Untuk e-commerce, sinyal penting mungkin berasal dari produk yang dilihat berulang, cart yang ditinggalkan, pembelian kedua, retur, dan pertanyaan sebelum checkout.
Untuk SaaS, sinyal penting mungkin berasal dari fitur yang dipakai terus-menerus, akun yang mengundang tim, user yang berhenti login, atau workspace yang gagal melewati onboarding.
Untuk operasional internal, sinyal penting mungkin berasal dari status pekerjaan, waktu tunggu, bottleneck approval, dan tugas yang terus berpindah tanpa keputusan.
AI menjadi jauh lebih berguna ketika data dasarnya sudah merekam perilaku yang benar-benar penting.
Tetapi ada satu syarat: bisnis harus membangun kepercayaan.
Jika ingin meminta data pelanggan, bisnis harus jelas tentang beberapa hal:
- data apa yang dikumpulkan
- mengapa data itu dibutuhkan
- manfaat apa yang diterima pelanggan
- bagian mana yang tidak akan dipakai
- bagaimana data diamankan
- kapan pelanggan bisa mengontrol atau mencabut akses
Tanpa kejelasan itu, personalisasi bisa terasa seperti pengawasan.
Dengan kejelasan itu, personalisasi bisa terasa seperti layanan yang memahami kebutuhan.
Di website dan sistem digital bisnis, prinsip yang sama berlaku. Jangan hanya membuat form yang mengumpulkan nama, email, dan nomor WhatsApp. Buat form yang membantu memahami konteks. Jangan hanya mencatat lead masuk. Catat sumber, kebutuhan, urgensi, layanan yang diminati, dan status tindak lanjutnya. Jangan hanya membuat dashboard yang terlihat ramai. Buat dashboard yang membantu mengambil keputusan.
Zest mengingatkan bahwa data yang baik bukan sekadar banyak. Data yang baik adalah data yang membuat tindakan berikutnya lebih jelas.
Bagi bisnis, ini bisa berarti rekomendasi produk yang lebih relevan. Follow-up sales yang lebih tepat. Segmentasi pelanggan yang lebih nyata. Automation yang tidak asal kirim pesan. Atau dashboard yang benar-benar menunjukkan peluang dan risiko.
Tetapi semuanya dimulai dari fondasi yang sama: pahami perilaku nyata, bukan hanya asumsi.
Polite contrarian-nya begini: bisnis tidak selalu butuh AI yang lebih pintar. Sering kali, bisnis butuh data yang lebih jujur.
AI hanya akan memperbesar kualitas sinyal yang diberikan kepadanya. Jika sinyalnya dangkal, hasilnya akan terlihat pintar tetapi tidak membantu. Jika sinyalnya dekat dengan perilaku nyata, hasilnya punya peluang lebih besar untuk terasa relevan.
Zest mungkin masih harus membuktikan apakah pengguna benar-benar mau menukar data transaksi dengan rekomendasi restoran yang lebih baik. Tetapi arah produknya menunjukkan sesuatu yang penting: masa depan discovery kemungkinan tidak hanya dibangun dari konten yang paling ramai, melainkan dari pola nyata yang paling bisa dipercaya.
Untuk bisnis yang sedang memikirkan AI, CRM, dashboard, atau automation, pelajarannya sederhana.
Sebelum bertanya tool apa yang perlu dipakai, tanyakan dulu: perilaku pelanggan apa yang paling penting untuk dipahami?
Setelah itu, baru tentukan data apa yang perlu dikumpulkan, bagaimana cara mengumpulkannya dengan etis, dan bagaimana sistem bisa mengubah data tersebut menjadi tindakan yang lebih cepat dan lebih tepat.
Dapatkan Audit Teknis Gratis untuk meninjau data, website, dan alur digital bisnis Anda sebelum membangun AI, dashboard, atau automation yang lebih kompleks.
Sumber referensi berita: TechCrunch